漂移感知动态神经网络加持,时间域泛化新框架远超领域泛化&适应方法
2023-03-15 22:38:52 时间
在领域泛化 (Domain Generalization, DG) 任务中,当领域的分布随环境连续变化时,如何准确地捕捉该变化以及其对模型的影响是非常重要但也极富挑战的问题。为此,来自 Emory 大学的赵亮教授团队,提出了一种基于贝叶斯理论的时间域泛化框架 DRAIN,利用递归网络学习时间维度领域分布的漂移,同时通过动态神经网络以及图生成技术的结合最大化模型的表达能力,实现对未来未知领域上的模型泛化及预测。本工作已入选 ICLR 2023 Oral (Top 5% among accepted papers)。
相关文章
- 盘点四大民间机器学习开源框架:Theano、Caffe、Torch 和 SciKit-learn
- 2016年大数据领域成果及趋势
- 烧钱做的医疗大数据要怎么变现?
- 腾讯马斌:互联网+大数据助力产业转型升级
- 大数据的2016全解析:持续火热、多点创新还不够,它瞄准的远不止于此!
- 挨踢部落第二期:大数据在医疗领域的应用和实践
- 给入门者,大数据分析工具的十条学习路径
- 人工智能的现状到底如何?
- 海航生态科技舆情大数据平台容器化改造
- 盘点大数据:市场一片繁荣,未来发展空间更大
- 烧钱圈地后,医疗大数据如何变现?
- 大数据行业图谱之(1):底层基础平台公司能做多大?
- 详解:大数据分析的学习之路
- 深度学习框架Caffe源码解析
- 数据中心网络安全技术发展趋势谈
- 工业大数据的未来发展方向(从阿里和航天说起)
- 大数据让教育实现“私人订制”
- 深度学习实战篇-基于RNN的中文分词探索
- 大数据成为证据的新标准:完整性 复合性 科学性
- 未来国际用大数据助推精准扶贫